論文の概要: HACT-Net: A Hierarchical Cell-to-Tissue Graph Neural Network for Histopathological Image Classification

• arxiv url: http://arxiv.org/abs/2007.00584v1
• Date: Wed, 1 Jul 2020 16:22:48 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-14 23:20:54.543916
• Title: HACT-Net: A Hierarchical Cell-to-Tissue Graph Neural Network for Histopathological Image Classification
• Title（参考訳）: HACT-Net: 病理画像分類のための階層型細胞間グラフニューラルネットワーク
• Authors: Pushpak Pati, Guillaume Jaume, Lauren Alisha Fernandes, Antonio Foncubierta, Florinda Feroce, Anna Maria Anniciello, Giosue Scognamiglio, Nadia Brancati, Daniel Riccio, Maurizio Do Bonito, Giuseppe De Pietro, Gerardo Botti, Orcun Goksel, Jean-Philippe Thiran, Maria Frucci, Maria Gabrani
• Abstract要約: 本稿では,組織の構造的描写を改善するために,新しい階層型細胞-組織グラフ(HACT)表現法を提案する。 低レベルの細胞グラフ、細胞形態と相互作用のキャプチャー、高レベルの組織グラフ、組織部分の形態と空間分布のキャプチャー、および細胞間階層で構成されている。 本手法は,H&E染色胸腺癌全体から注目される組織領域のアノテートについて検討した。
• 参考スコア（独自算出の注目度）: 11.051615198681565
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Cancer diagnosis, prognosis, and therapeutic response prediction are heavily influenced by the relationship between the histopathological structures and the function of the tissue. Recent approaches acknowledging the structure-function relationship, have linked the structural and spatial patterns of cell organization in tissue via cell-graphs to tumor grades. Though cell organization is imperative, it is insufficient to entirely represent the histopathological structure. We propose a novel hierarchical cell-to-tissue-graph (HACT) representation to improve the structural depiction of the tissue. It consists of a low-level cell-graph, capturing cell morphology and interactions, a high-level tissue-graph, capturing morphology and spatial distribution of tissue parts, and cells-to-tissue hierarchies, encoding the relative spatial distribution of the cells with respect to the tissue distribution. Further, a hierarchical graph neural network (HACT-Net) is proposed to efficiently map the HACT representations to histopathological breast cancer subtypes. We assess the methodology on a large set of annotated tissue regions of interest from H\&E stained breast carcinoma whole-slides. Upon evaluation, the proposed method outperformed recent convolutional neural network and graph neural network approaches for breast cancer multi-class subtyping. The proposed entity-based topological analysis is more inline with the pathological diagnostic procedure of the tissue. It provides more command over the tissue modelling, therefore encourages the further inclusion of pathological priors into task-specific tissue representation.
• Abstract（参考訳）: 癌診断,予後予測,治療応答予測は,病理組織構造と組織機能との関係に大きく影響される。 近年, 組織構造と機能の関係を認識したアプローチは, 細胞グラフによる組織構造と空間構造を腫瘍のグレードと結びつけている。 細胞組織は必須であるが、組織学的構造を完全に表すには不十分である。 本稿では,組織構造表現を改善するために,新しい階層型細胞間グラフ(hact)表現を提案する。 低レベルの細胞グラフ、細胞の形態と相互作用のキャプチャ、高レベルの組織グラフ、組織部位の形態と空間分布のキャプチャ、組織分布に関する細胞の相対的な空間分布をコードする細胞から細胞への階層で構成される。 さらに,HACT表現を病理組織学的乳癌サブタイプに効率的にマッピングするために,階層型グラフニューラルネットワーク(HACT-Net)を提案する。 本手法は,H&E染色乳癌全スライダから注目される組織領域のアノテートについて検討した。 提案手法は乳がんのマルチクラスサブタイピングにおいて,近年の畳み込みニューラルネットワークとグラフニューラルネットワークのアプローチより優れていた。 提案するエンティティベーストポロジカル分析は,組織病理診断法とよりインラインである。 組織モデリングをより指揮するので、タスク特異的な組織表現に病的優先事項を包含することを奨励する。

関連論文リスト

• Revisiting Adaptive Cellular Recognition Under Domain Shifts: A Contextual Correspondence View [49.03501451546763]
  生物学的文脈における暗黙の対応の重要性を明らかにする。 モデル構成成分間のインスタンス認識トレードオフを確保するために, 自己適応型動的蒸留を提案する。
  論文  参考訳（メタデータ） (2024-07-14T04:41:16Z)
• Revealing Cortical Layers In Histological Brain Images With Self-Supervised Graph Convolutional Networks Applied To Cell-Graphs [0.20971479389679332]
  大脳皮質の2次元Nissl染色組織スライスにおける層検出のための自己監督的アプローチを導入する。 自己教師付きグラフ畳み込みネットワークは、細胞環境の形態的および構造的特性をコードする細胞埋め込みを生成する。
  論文  参考訳（メタデータ） (2023-11-26T10:33:36Z)
• Tertiary Lymphoid Structures Generation through Graph-based Diffusion [54.37503714313661]
  本研究では,最先端のグラフベース拡散モデルを用いて生物学的に意味のある細胞グラフを生成する。 本研究では, グラフ拡散モデルを用いて, 3次リンパ構造(TLS)の分布を正確に学習できることを示す。
  論文  参考訳（メタデータ） (2023-10-10T14:37:17Z)
• Heterogeneous graphs model spatial relationships between biological entities for breast cancer diagnosis [1.943314771739382]
  グラフニューラルネットワーク(GNN)は、画像内の空間的関係をコーディングすることで、有望なソリューションを提供する。 細胞と組織グラフの空間的および階層的関係を捉えるヘテロジニアスGNNを用いた新しい手法を提案する。 また,組織と細胞グラフの複雑な関係をモデル化するトランスフォーマーアーキテクチャとクロスアテンションベースネットワークの性能を比較した。
  論文  参考訳（メタデータ） (2023-07-16T19:06:29Z)
• Structure Embedded Nucleus Classification for Histopathology Images [51.02953253067348]
  ほとんどのニューラルネットワークに基づく手法は、局所的な畳み込みの受容領域に影響を受けている。 本稿では,核輪郭を順にサンプリングした点列に変換する新しい多角構造特徴学習機構を提案する。 次に、核をノードとするグラフ構造に組織像を変換し、その表現に核の空間分布を埋め込むグラフニューラルネットワークを構築する。
  論文  参考訳（メタデータ） (2023-02-22T14:52:06Z)
• Brain Cortical Functional Gradients Predict Cortical Folding Patterns via Attention Mesh Convolution [51.333918985340425]
  我々は,脳の皮質ジャイロ-サルカル分割図を予測するための新しいアテンションメッシュ畳み込みモデルを開発した。 実験の結果,我々のモデルによる予測性能は,他の最先端モデルよりも優れていた。
  論文  参考訳（メタデータ） (2022-05-21T14:08:53Z)
• Functional2Structural: Cross-Modality Brain Networks Representation Learning [55.24969686433101]
  脳ネットワーク上のグラフマイニングは、臨床表現型および神経変性疾患のための新しいバイオマーカーの発見を促進する可能性がある。 本稿では,Deep Signed Brain Networks (DSBN) と呼ばれる新しいグラフ学習フレームワークを提案する。 臨床表現型および神経変性疾患予測の枠組みを,2つの独立した公開データセットを用いて検証した。
  論文  参考訳（メタデータ） (2022-05-06T03:45:36Z)
• A Survey on Graph-Based Deep Learning for Computational Histopathology [36.58189530598098]
  我々は、デジタル病理と生検画像パッチの分析に機械学習と深層学習の利用が急速に拡大しているのを目撃した。 畳み込みニューラルネットワークを用いたパッチワイド機能に関する従来の学習は、グローバルなコンテキスト情報をキャプチャしようとする際のモデルを制限する。 本稿では,グラフに基づく深層学習の概念的基盤を提供し,腫瘍の局在と分類,腫瘍浸潤とステージング,画像検索,生存予測の現在の成功について論じる。
  論文  参考訳（メタデータ） (2021-07-01T07:50:35Z)
• Hierarchical Cell-to-Tissue Graph Representations for Breast Cancer Subtyping in Digital Pathology [10.06217305782974]
  組織標本を表現できる新しい階層的エンティティグラフ表現を提案する。 組織構造を組織機能にマッピングするために,実体-グラフ表現上で動作する階層グラフニューラルネットワークを提案する。
  論文  参考訳（メタデータ） (2021-02-22T14:30:57Z)
• Contrastive Representation Learning for Whole Brain Cytoarchitectonic Mapping in Histological Human Brain Sections [0.4588028371034407]
  本稿では,顕微鏡画像パッチを頑健な微細構造特徴に符号化するための対照的な学習手法を提案する。 この学習課題を用いて事前学習したモデルは、最近提案された補助課題に基づいて事前学習したモデルと同様に、スクラッチから訓練したモデルよりも優れていることを示す。
  論文  参考訳（メタデータ） (2020-11-25T16:44:23Z)
• Gleason Grading of Histology Prostate Images through Semantic Segmentation via Residual U-Net [60.145440290349796]
  前立腺癌の最終診断は、病理学者による前立腺生検におけるGleasonパターンの視覚的検出に基づいている。 コンピュータ支援診断システムは、組織内のがんのパターンを分類し分類することができる。 この研究の方法論的核心は、がん組織を分節できる残留ブロックで修正された画像分割のためのU-Net畳み込みニューラルネットワークである。
  論文  参考訳（メタデータ） (2020-05-22T19:49:10Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。